集团 永盛轮 等多次往返东北航道开展航运业务, 标志着中国商船在北极东北航道的商业航行正步入常态 在北极冰区航行日趋频繁的背景下, 无论抗冰能力强的科考船, 还是抗冰能力较差的商船, 都亟需准确和及时的极地海冰服务信息 而基于被动微波遥感的卫星海冰密集度数据是目前获取海冰实际状况和利用数值模式进行预

Transcription

1 七种北极遥感海冰密集度数据的比较和评估 赵杰臣 1,2, 周翔 3, 孙晓宇 1, 程净净 4, 胡波 4, 李春花 1 1. 国家海洋环境预报中心国家海洋局海洋灾害预报技术研究重点实验室, 北京 ; 2. 中国海洋大学海洋与大气学院, 青岛 ; 3. 中国科学院遥感与数字地球研究所, 北京 ; 4. 国家海洋标准计量中心, 天津 摘要 : 本文利用 2012 年夏季中国第五次北极科学考察期间雪龙船在北极东北航道走航观测的海冰密集度数据 (OBS-SIC), 初步评估了七种基于被动微波遥感的海冰密集度产品 (PM-SIC) 七种 PM-SIC 因传感器和反演方法不同, 分辨率差异较大 (4km~25km) 在海盆尺度的海冰范围反演上七种 PM-SIC 基本相同, 但对小范围浮冰区的反演差异较大 与 MODIS 可见光图像对比发现, MASAM 数据 (4km) 对局部小区域海冰刻画较好, 是研究近岸区域或海峡岛屿海冰覆盖范围或面积时的首选产品 ; 七种 PM-SIC 纬向平均后对比分析显示, 不同 PM-SIC 对网格内是否存在海冰的判断基本一致, 但对网格内海冰所占的比例 ( 密集度 ) 判断差异较大 结合 OBS-SIC 按航线 区域 密集度大小三种不同情况对七种 PM-SIC 进行分类定量评估, 结果表明基于 AMSR2 传感器的 AMSR2/ASI 和 AMSR2/Bootstrap 数据与 OBS-SIC 偏差较小, 平均偏差约 ±1%, 均方根偏差仅 11% 和 12%; 而 SSMIS/NT 数据的偏差最大, 平均偏差约 -15%, 均方根偏差为 21%, 其严重低估了网格内的海冰密集度值 ; 因此具有更高分辨率的 AMSR2/ASI 数据 (6.25km) 是关注海冰密集度大小时的首选产品 关键词 : 北极东北航道 ; 被动微波遥感 ; 海冰密集度 ; 走航观测 ; 数据质量评估中图分类号 :P 文献标识码 :A 1 引言 自 1978 年有卫星观测数据以来, 北极海冰的范围 厚度和多年冰的比例呈现显著减少趋势 (Comiso 等,2008;Haas 等,2008;Nghiem 等,2007;Lei 等,2012;Xie 等 2013;Rodrigues 等,2008) 特别是在北半球的夏季, 北极海冰范围减少的趋势在不断加剧, 以九月为例, 海冰范围的减少速率在 年间为 (0.032±0.017) 10 6 km 2 a -1, 而在 年间达到 (0.154±0.038) 10 6 km 2 a -1 (Cavalieri 等,2012;Stroeve 等,2012) 海盆尺度上海冰厚度的减小在 年间达到 0.17ma -1 (Kwok 等,2009) 而融冰季节的时间长度 年间增加了 20 天 (Markus 等,2009) 多年冰的覆盖范围 年两年间从 km 2 减少到 km 2, 减少比例高达 23%(Nghiem 等,2007) 北极海冰的快速变化, 特别是夏季海冰范围的持续减小和融冰季节时长的增加, 加速了北极地区科学考察和商业航运的发展 2012 年 7 至 9 月中国第五次北极科学考察队 ( 五北 ) 乘坐雪龙船, 穿过北极东北航道到达冰岛, 完成中国船舶首次穿越北极航道的航行 2013 年起中远 收稿日期 : 修订日期 : 基金项目 : 南北极环境综合考察与评估专项 ( 编号 :CHINARE-03-01), 国家自然科学基金 ( 编号 : , ), 海洋公益性行业科研专项 ( 编号 : ) 第一作者简介 : 赵杰臣 (1984 ), 男, 工程师,2011 年毕业于国家海洋局第一海洋研究所物理海洋学专业, 获硕士学位, 现从事极地海冰观测和数值模拟研究, 已发表论文 13 篇 zhaojc@nmefc.gov.cn

2 集团 永盛轮 等多次往返东北航道开展航运业务, 标志着中国商船在北极东北航道的商业航行正步入常态 在北极冰区航行日趋频繁的背景下, 无论抗冰能力强的科考船, 还是抗冰能力较差的商船, 都亟需准确和及时的极地海冰服务信息 而基于被动微波遥感的卫星海冰密集度数据是目前获取海冰实际状况和利用数值模式进行预报预测的最重要的数据基础 基于被动微波遥感 (PM) 反演的海冰密集度 (SIC) 数据种类繁多, 不同科研机构采用不用的卫星传感器和不同的反演算法, 因此得到的海冰密集度数据结果也不尽相同 美国冰雪中心 (NSIDC) 的 PM-SIC 数据集起始时间为 1978 年 10 月 26 日, 早期使用的是搭载在 Nimbus-7 卫星上的 SMMR 传感器, 之后使用的传感器包括搭载在美国国防气象卫星 DMSP-F8 上的特殊传感器微波成像仪 (SSM/I), 搭载在 DMSP-F11 卫星上的 SSM/I 和搭载在 DMSP-F13 卫星上的 SSM/I, 目前使用的是搭载在 DMSP-F17 卫星上的 SSMIS 传感器 另外 2002 年 5 月 4 日发射的 NASA EOS-Aqua 卫星上搭载的改进型微波辐射扫描仪 (AMSR-E), 可以反演得到更高分辨率的海冰密集度,2011 年 10 月 4 日该传感器因故障停止工作 ;2012 年 5 月 18 日发射成功的全球变化观测任务卫星 (JAXA GCOM-W1) 上搭载的改进型微波辐射扫描仪 (AMSR2) 作为 AMSR-E 的替代品开始工作, 重新提供高分辨率的 PM-SIC 数据 被动微波遥感海冰密集度的早期反演算法是基于辐射传输模型, 这些模型普遍使用大气探空观测数据来进行算法的大气校正, 因此这些模型在可以获取探空数据的情况下是比较成功的, 但应用于全球范围时就会出现问题 (Svendsen 等,1987;Swift 等,1985) 目前使用较多的算法是利用卫星的多传感器获取到的多种变量进行 SIC 反演, 其中比较著名的是美国宇航局戈达德太空飞行中心发展的 Bootstrap 算法和 Nimbus-7 Team 算法 ( 后更名为 NASA Team 算法, 简称 NT 算法 )(Cavalieri 等,1984;Comiso 等,1986) 由于考虑海冰温度 发射率以及不同波段参数对密集度反演的影响,NT 算法和 Bootstrap 算法采用不同方式, 导致了两种算法的结果差异 (Comiso 等,1997;Comiso 等,2001) 后来 NT 算法应用在 89Ghz 频段上来进行 SIC 反演, 被命名为 NT2 算法 (Markus 等,2000) NT2 算法同样使用辐射传输模型来纠正 89Ghz 频段对大气效应的高度敏感性 NT2 算法反演的 SIC 比 NT 算法反演的 SIC 有很大改进, 同时也更接近 Bootstrap 算法反演的结果 (Comiso 等,2008;Parkinson 等,2008) 欧洲气象卫星应用组织 (EUMETSAT ) 发布的准实时 SIC 数据名称为 OSI-SAF, 其使用了基于 Bristol 算法和 Bootstrap 算法的一种结合算法 ; 研究发现在开阔水域 Bootstrap 算法对大气噪声的敏感度最低, 而当频率低于 85GHz 时,Bristol 算法效果更好, 因此在结合算法中 Bristol 算法在低密集度区域给予低权重, 在高密集度区域给予高权重 (Steinar 等,2014) 和中等分辨率成像仪 (MODIS) 等可见光卫星数据相比, 基于被动微波遥感的卫星海冰密集度资料受云量等天气情况影响小, 可以准实时的获取大范围的海冰情况, 是规划航线和数值预报的重要数据来源 而由于传感器 算法等不同, 以及夏季海冰表面融化导致的不确定性, 目前 SIC 反演结果还存在一定问题, 需要大量的现场观测来进行验证 在南极海冰过程和气候计划 (ASPeCt) 的支持下, 南极地区已经收集到大量现场观测数据, 并进行了一系列对比验证 (Worby 等,1999) 在北极地区由于环境恶劣, 现场观测难以大规模开展, 目前尚缺乏统一的国际计划来协调观测标准, 提供客观的船基海冰密集度观测来对卫星 SIC 数据进行验证 (Beitsch 等,2014) 2012 年 7 至 9 月 五北 期间雪龙船沿北极东北航道低纬航线从白令海峡到达冰岛, 后又沿高纬航线从冰岛回到白令海峡, 期间在冰区进行了不间断的海冰密集度走航观测, 这是迄今为止我国在东北航道进行的唯一的海冰观测航次, 获得的走航海冰密集度观测资料 (OBS-SIC) 对验证 PM- SIC 具有十分重要的价值 本文比较了七种 PM-SIC 数据在海冰密集度反演上的差异, 并利用 五北 期间雪龙船 OBS-SIC 资料来评估七种 PM-SIC 数据在北极东北航道的准确性和适用性, 为今后应用 PM-SIC 进行北极航道航线规划和数值模式资料同化提供一定的参考

3 2 数据和方法 2.1 PM-SIC 数据 本文用来评估的七种 PM-SIC 产品如表 1 所示, 其中 (1) 德国不莱梅大学发布的基于 GCOM- W1 上搭载的 AMSR2(89GHz), 采用 ARTIST Sea Ice(ASI) 算法, 空间分辨率为 6.25km(Spreen 等,2008);(2) 德国不莱梅大学发布的基于 AMSR2 传感器利用 Bootstrap 算法得到的另一种 SIC 产品, 空间分辨率为 12.5km (Spreen 等,2008);(3) 德国不莱梅大学为延续 2011 年 10 月停止工作的 AMSR-E 传感器, 将 ASI 算法应用到 DMSP 卫星搭载的 SSMIS 传感器的 91GHz 频段, 得到分辨率为 13.2km*15.5km 的 SIC 产品, 并将其插值成与 AMSR-E 一致的空间分辨率 6.25km, 该数据集的可用时间段为 2011 年 10 月至 2014 年 10 月 (Spreen 等,2008);(4) 美国冰雪中心发布的基于传感器 SMMR, SSM/I-SSMIS 利用 Bootstrap 算法得到的 SIC 产品, 涵盖 1978 年 10 月 26 日至 2014 年 12 月 31 日, 空间分辨率为 25km(Comiso 等,2000);(5) 美国雪冰中心发布的基于 DMSP-F17 上搭载的 SSMIS 传感器 (19 and 37 GHz), 采用 NT 算法生成的分辨率为 25km 的 SIC 产品 (Cavalieri 等,1996);(6) 美国冰雪中心发布的 MASAM2 数据是基于 4km 分辨率的多传感器海冰范围产品 MASIE 和 10km 分辨率的海冰密集度产品 AMSR2 融合而成, 空间分辨率为 4km, 时间跨度为 2012 年 7 月至今 (Fetterer 等,2015);(7)EUMETSAT 发布的基于 DMSP-F17 上的 SSMIS 传感器, 采用 Bristol 和 Bootstrap 结合算法, 并使用欧洲中期天气预报中心 (ECMWF) 数值模式结果进行大气校正, 得到分辨率为 10km 的 OSI-SAF 产品, 自 2005 年业务化运行至今 (Steinar 等,2014) 需要指出的是, 表 1 中列出的产品分辨率并非卫星原始数据的分辨率, 而是各 PM-SIC 产品发布时的分辨率, 是各发布机构在卫星原始数据基础上经过技术处理得到的 表 1 本文评估的七种被动微波遥感海冰密集度资料 Table 1 the seven PM-SIC used in this paper 序号 数据集名称 发布机构 传感器 算法 产品分辨率 1 AMSR2/ASI 德国不莱梅大学 AMSR2 ASI 6.25km 2 AMSR2/Bootstrap 德国不莱梅大学 AMSR2 Bootstrap 12.5km 3 SSMIS/ASI 德国不莱梅大学 SSMIS ASI 6.25km 4 SSMIS/Bootstrap 美国冰雪中心 SMMR,SSM/I,SSMIS Bootstrap 25km 5 SSMIS/NASATEAM 美国冰雪中心 SSMIS NASATEAM 25km 6 MASAM 美国冰雪中心 多传感器 MASIE & AMSR2 4km 7 OSI-SAF 欧洲气象卫星应用组织 SSMIS Bristol & Bootstrap 10km 2.2 OBS-SIC 数据 本文用来作为独立评估数据的是 五北 期间雪龙船走航观测的 OBS-SIC 数据 雪龙船去程是 2012 年 7 月 23 日在楚科奇海进入浮冰区, 沿东北航道向西航行, 于 8 月 2 日进入挪威海离开浮冰区 返程时雪龙船自 8 月 25 日沿高纬航线海冰边缘向东航行,27 日到达拉普捷夫海后向北挺进,8 月 30 日到达最北点, 随后又向东南航行, 于 9 月 4 日离开浮冰区 ( 图 1) 本文将去程的 7 月 23 日 -30 日低纬区域的航线定义为第一航段, 将返程的 8 月 25 日 -9 月 4 日高纬区域的航线定义为第二航段 船基走航观测主要参考 ASPeCt 的船基海冰观测标准进行 (Worby 等, 1999), 人工海冰密集度观测方式是观测员站在驾驶台高处目测视线范围内海冰覆盖区域所占的

4 比例, 根据经验判断当前位置的海冰密集度值 ( 图 2), 频率为约半小时一次 第一航段有 244 组 观测数据, 第二航段有 360 组观测数据, 共计 604 组 图 1 五北 雪龙船航迹图 ( 马德毅,2013)( 蓝线为去程, 红线为返程 ) 和本文使用的 OBS-SIC 数据的时间段 ( 黑线 ), 蓝色和绿色背景分别是 7 月 22 日和 8 月 24 日海冰覆盖区域 Fig.1 the track of Xuelong during the 5 th Chinese National Arctic Research Expedition (blue lines is go-path, red lines is return-path) and the period of ship-based sea ice concentration observations was used in this paper (black lines). The blue area showed the sea ice extent on 22 July and the green area showed the sea ice extent on 24 August. 2.3 可见光图像 本文使用的可见光图像是搭载在地球观测系统 (EOS) 卫星 Terra 和 Aqua 上的 MODIS 传感器拍摄到的真彩色图像, 分辨率为 250m 美国航空航天局的地球数据网站 ( 每天更新当天全北极 MODIS 可见光图像, 但由于北极夏季气旋活动较多, 大量的云系对利用 MODIS 图像分辨海冰分布造成较大影响 本文选取 2012 年 7 月 25 日和 9 月 1 日的 MODIS 可见光图像作为个例进行研究

5 (a) 密集度为 10% (b) 密集度为 20% (a)sic=10% (b)sic=20% (c) 密集度为 30% (d) 密集度为 40% (c)sic=30% (d)sic=40% (e) 密集度为 50% (f) 密集度为 60% (e)sic=50% (f)sic=60% (g) 密集度为 70% (h) 密集度为 80% (g)sic=70% (h)sic=80%

6 (i) 密集度为 90% (j) 密集度为 100% (i)sic=90% (j)sic=100% 图 2 雪龙船走航观测的样例 Fig. 2 the examples of OBS-SIC based on R/V Xuelong 2.4 数据处理方法 本文中七种 PM-SIC 数据基于不同的传感器 频段和反演算法, 产品分辨率不尽相同 雪龙船在冰区航行的速度约 6-10 节 ( 约 10-18km/h), 根据半小时一次的 OBS-SIC 观测频率推算, 其航线路径上的观测点间距约为 5-9km OBS-SIC 为当下位置瞬时的海冰密集度情况, 而 PM-SIC 为当天日平均值 鉴于 OBS-SIC 和 PM-SIC 在时间维度和空间维度上的差异, 本文采用 Beitsch 等 (2015) 在南极地区利用 ASPeCt 船基走航观测数据比较 SSM/I 和 AMSR-E 海冰密集度数据时的方法 (Beitsch 等,2015), 根据每个 OBS-SIC 的经纬度坐标点, 找到当日 PM-SIC 数据中距离该坐标点最近的网格点, 将该网格点的 PM-SIC 值作为对应 OBS-SIC 时刻的卫星海冰密集度反演值 在第一航段期间, 当距离 OBS-SIC 坐标最近的点为陆地时, 取该点周围非陆地点的 PM- SIC 平均值作为对应 OBS-SIC 时刻的卫星海冰密集度反演值 然后沿雪龙船航线方向将每天的 OBS-SIC 数据求日平均值, 同时将对应的 PM-SIC 值求平均值, 这样进行比较的 OBS-SIC 和 PM- SIC 为沿航线每天的日平均海冰密集度值, 以尽可能减小由于时空维度差异造成的误差 另外为验证七种 PM-SIC 在海冰密集度反演上的差异, 特别是对海冰范围反演的差异, 本文使用 MODIS 可见光图像对 PM-SIC 反演的岛屿和海峡附近的海冰情况进行验证 MODIS 图像上海冰的范围通过目视解译得到 3 结果分析 3.1 PM-SIC 空间分布的比较 不同的 PM-SIC 数据对同一时刻的海冰反演存在差异 本文分别选取第一航段中的 7 月 25 日和第二航段中的 9 月 1 日为例对七种 PM-SIC 的空间分布差异进行比较分析 从 7 月 25 日 PM-SIC 空间分布图 ( 图 3) 可以看出, 雪龙船去程穿越北极航道期间, 北极太平洋扇区大部被海冰所覆盖, 楚科奇海和东西伯利亚海海冰外缘线接近 70 N, 接近大陆边界, 可以通航的航道为贴近大陆边缘海域 新西伯利亚群岛以北和拉普捷夫海海冰外缘线约位于 80 N, 存在大面积开阔水域, 航道畅通 北地群岛以北均有海冰覆盖, 此处航道为北地群岛与俄罗斯本土之间的狭窄海峡 - 维利基茨基海峡 大西洋扇区的海冰外缘线在 80 N 的斯瓦尔巴群岛以北, 对航行无影

7 响 七种 PM-SIC 计算得到的 7 月 25 日的海冰范围基本相同, 平均值为 5.73±0.59 百万平方公里, 但在岛屿海峡等狭窄区域仍然存在较大偏差 ( 图 3) 以泰梅尔半岛为例, 其北侧为维利基茨基海峡, 是联通拉普捷夫海和喀拉海的重要通道,MODIS 图中清楚可见小范围浮冰 ( 图 3h), 而只有 MASAM 数据反演出该区域两处小范围的浮冰区 这种狭窄海峡处的低密集度浮冰区的识别与反演对于船只的航线规划和航行安全却意义重大, 特别是对于 永盛轮 这样低抗冰能力的北极商业航行船只, 一旦错误的海冰分布信息将其引入浮冰区, 可能引发严重的船舶安全隐患 (a)amsr_asi 数据 (a)data AMSR_ASI (b)amsr_bootstrap 数据 (b)data AMSR_Bootstrap (c)ssmis_asi 数据 (c)data SSMIS_ASI (d)ssmis_bootstrap 数据 (d)data SSMIS_Bootstrap (e)ssmis_nt 数据 (e)data SSMIS_NT (f)masam 数据 (f)data MASAM

8 (g)osi_saf 数据 (g)data OSI_SAF (h) 泰梅尔半岛附近 MODIS 图 (h)modis image near Poluostrov Taymyr 图 3 第一航段 7 月 25 日的 PM-SIC 空间分布以及泰梅尔半岛附近 MODIS 图, 其中黑色方框表示 MODIS 图在全北极的位置 Fig.3 the distributions of seven PM-SIC on Jul 25 and MODIS image near Poluostrov Taymyr. The black square represent the location of Poluostrov Taymyr in Arctic. 图 4 是第二航段中 9 月 1 日不同 PM-SIC 数据的空间分布图 此时海冰外缘线退缩到 82 N 圈以北, 七种 PM-SIC 反演得到的海冰范围基本相同, 平均值为 2.68±0.68 百万平方公里 高纬度区域反演的海冰密集度大约一致, 在 80% 以上 ;SSMIS/NT 反演的 SIC 在 82 N 以北普遍比其他六种 PM-SIC 低 10%( 图 5b) 80 N 以南各纬度上偏差值是由于分辨率不同导致对个别岛屿和狭小海峡 海湾海冰密集度的反演能力不同而产生的, 其中分辨率最高的 MASAM 纬向平均的 SIC 在 80 N 以南明显比其他 PM-SIC 高 ( 图 5b), 此差异主要来自弗兰格尔岛区域的海冰密集度反演的差异 从弗兰格尔岛附近海域的 MODIS 图像 ( 图 4h) 可以发现, 该区域存在小范围浮冰区, 但七种 PM-SIC 中只有 MASAM 数据较好的反演出这种状况, 虽然 SSMIS/Bootstrap 和 AMSR2/Bootstrap 数据也反演出该浮冰区的存在, 但密集度偏低 (a)amsr_asi 数据 (a)data AMSR_ASI (b)amsr_bootstrap 数据 (b)data AMSR_Bootstrap

9 (c)ssmis_asi 数据 (c)data SSMIS_ASI (d)ssmis_bootstrap 数据 (d)data SSMIS_Bootstrap (e)ssmis_nt 数据 (e)data SSMIS_NT (f)masam 数据 (f)data MASAM (g)osi_saf 数据 (g)data OSI_SAF (h) 弗兰格尔岛附近 MODIS 图 (h)modis image near Ostrov Vrangelya 图 4 第二航段 9 月 1 日的 PM-SIC 空间分布以及弗兰格尔岛附近 MODIS 图, 其中黑色方框表示 MODIS 图在全北极的位置 Fig.4 the distributions of seven PM-SIC on Sep 1 and MODIS image near Ostrov Vrangelya. The black square represent the location of Ostrov Vrangelya in Arctic. 不同 PM-SIC 反演的海冰密集度沿纬度分布的差异较大 ( 图 5) 7 月 25 日在 80 N 以北的高 纬度区域,SSMIS/NT 和 OSI-SAF 数据反演的 SIC 比较接近, 为 60%-80%; 而其他五种 PM-SIC

10 数据反演的 SIC 比较接近, 为 80%-100% 偏差较大的区域集中在 70 N -80 N 之间的太平演扇区, 最低值为 OSI-SAF, 最高值为 MASAM, 二者的差异可达 50%,SSMIS/NT 和 OSI-SAF 数据反演的 SIC 差异最小,AMSR2/ASI AMSR2/Bootstrap SSMIS/ASI SSMIS/Bootstrap 数据反演的 SIC 在 70 N -80 N 之间比较接近,MASAM 数据反演的 SIC 普遍比其他六种 PM-SIC 高 ( 图 5a) 9 月 1 日 MASAM 数据计算的纬向平均的 SIC 分布与其他六种数据在低纬区域差别较大, 除 MASAM 数据外的其他六种数据表现出一致的变化趋势, 但数量值仍有差别 ( 图 5b) 七种 PM-SIC 的海冰格点比例沿纬度分布图如图 5c 和 5d 绝大部分情况下, 不同 PM-SIC 在不同纬度的海冰格点比例是一致的, 这说明不同算法在判断网格内有无海冰存在时结果一致, 但对判断有海冰存在的网格内有多少比例海冰存在时存在差异 OSI-SAF 数据在 80 N 附近的海冰格点比例比其他数据高约 10%~20%, 在 9 月 1 日尤为明显, 考虑到当日 80 N 是海冰外缘线的大致位置, 因此 OSI-SAF 数据在海冰外缘线附近判断网格点是海水还是海冰时误差较大 (a)7 月 25 日纬向平均 PM-SIC 随纬度的分布 (b)9 月 1 日纬向平均 PM-SIC 随纬度的分布 (a) Mean PM-SIC along latitude for Jul 25 (b) Mean PM-SIC along latitude for Sep 1 (c)7 月 25 日海冰网格点的比例随纬度的分布 (d)9 月 1 日海冰网格点的比例随纬度的分布 (c) Sea ice grid percent along latitude for Jul 25 (d) Sea ice grid percent along latitude for Sep 1 图 5 第一航段 7 月 25 日和第二航段 9 月 1 日纬向平均 PM-SIC 以及海冰网格点的比例随纬度的分布 Fig. 5 mean PM-SIC and sea ice grid percent along latitude for Jul 25 and Sep PM-SIC 和 OBS-SIC 的比较 为进一步评估七种 PM-SIC 数据在北极东北航道的准确性和适用性, 利用 五北 期间雪龙船 走航观测的 OBS-SIC 数据作为独立数据进行比较研究 图 6a 和 6b 是第一航段中雪龙船所在位

11 置的纬度和经度随时间的变化 雪龙船从白令海峡穿过东北航道到达冰岛, 跨越 9 个纬度 (68 N 至 77 N) 和 85 个经度 (176 W 至 99 E), 耗时 8 天, 其中有 7 天进行了走航海冰观测 该航段的特点是大部分时间靠近大陆岸线区域, 岛屿较多, 且该区域浮冰多呈带状分布, 因此 PM-SIC 与 OBS-SIC 之间的偏差较大, 在 ±40% 之间, 且不同 PM-SIC 与观测的偏差差异较大 ( 图 6c 和 6d) AMSR/ASI AMSR/Bootstrap SSMIS/ASI 数据除 7 月 25 日外, 具有相同的偏差趋向, 即在 7 月 23 日 24 日 27 日和 29 日偏差均为负值, 而在 26 日和 30 日均为正值 MASAM 数据的偏差除 7 月 23 日在楚科奇海靠近陆地航行时为负偏差外, 其余日期均为正偏差 OSI-SAF 数据除 7 月 26 日为正偏差外, 其余日期均为负偏差 第一航段中偏差最大值为 MASAM 数据在 7 月 29 日的 41% 从第一航段七天平均的偏差来看,AMSR/ASI AMSR/Bootstrap SSMIS/ASI 和 SSMIS/Bootstrap 数据的平均偏差较小, 低于 10%, 其中 SSMIS/ASI 最小, 为 -1%; 而其他三种 PM-SIC 数据平均偏差较大, 其中 SSMIS/NT 最大, 为 -17% (a) 雪龙船不同时间所处的经度 The longtitude of Xuelong (b) 雪龙船不同时间所处的纬度 (b) The latitude of Xuelong (c) 日平均的七种 PM-SIC 数据和 OBS-SIC 数据 (c) Daily mean PM-SIC and OBS-SIC

12 (d) 七种 PM-SIC 数据与 OBS-SIC 数据的偏差 (d) The bias between PM-SIC and OBS-SIC 图 6 第一航段 PM-SIC 数据与 OBS-SIC 数据的比较 Fig.6 the comparison between PM-SIC and OBS-SIC during the first route. 第二航段 8 月 25 日至 9 月 4 日期间, 由于北极海冰范围急剧减小, 雪龙船从冰岛出发沿北极高纬航线航行 ( 图 1),8 月 25 日至 27 日雪龙船处于海冰边缘区域, 约 80 N 左右,28 日雪龙船调整航线向北进入密集冰区, 至 30 日抵达本航次最北点 87.6 N 附近, 然后再折向南航行,9 月 4 日到达 80 N 附近, 期间跨越 170 个经度 (20 E 至 170 W, 图 7a 和 7b), 历时 11 天 8 月 25 至 26 日雪龙船航行在海冰边缘区域期间, 七种 PM-SIC 数据均呈现负误差, 日平均误差最大不超过 13%( 图 7d), 这说明七种数据在此区域的海冰边缘线即覆盖面积方面均具有较高的准确性, 并且对海冰密集度值反演准确 8 月 27 至 28 日, 雪龙船向北航行期间利用了一段密集冰区内部的低密集度区域 ( 图 7c) 8 月 29 日至 9 月 3 日雪龙船进入浮冰区内部的密集冰区后, 七种 PM-SIC 数据的平均偏差呈现明显的规律 : 除 SSMIS/NT 数据是负偏差外, 其他六种 PM-SIC 数据呈现正偏差 由于雪龙船在航行过程中, 会自主的选择目视范围内海冰较少的区域航行, 因此船基走航海冰密集度观测通常会比实际情况偏小 第二航段有 11 天的走航观测记录, 其中 10 天 SSMIS/NT 数据是负偏差 ;11 天平均误差为 -16%, 且最大偏差高达 -31%, 由此判断 SSMIS/NT 数据严重低估了真实的海冰密集度状况 MASAM 数据除在 8 月 25 至 26 日海冰边缘区为负偏差外, 其他 9 天均为正偏差, 且最大值达 32%,11 天平均偏差为 15% (a) 雪龙船不同时间所处的经度 (a) The longtitude of Xuelong

13 (b) 雪龙船不同时间所处的纬度 (b) The latitude of Xuelong (c) 日平均的七种 PM-SIC 数据和 OBS-SIC 数据 (c) Daily mean PM-SIC and OBS-SIC (d) 七种 PM-SIC 数据与 OBS-SIC 数据的偏差 (d) The bias between PM-SIC and OBS-SIC 图 7 第二航段 PM-SIC 数据与 OBS-SIC 数据的比较 Fig.7 the comparison between PM-SIC and OBS-SIC during the second route. 3.3 分类比较 为进一步分析七种 PM-SIC 与 OBS-SIC 的偏差, 以及不同 PM-SIC 之间的差异, 本文将 OBS- SIC 按照不同航段 不同区域和不同的海冰密集度状况划分进行对比分析研究 按航段分类 图 8a 和 8b 分析发现,AMSR2/ASI 数据在第一航段平均偏差为负, 第二航段平均偏差为正, 但总体来看, 偏差在 ±10% 左右, 与 OBS-SIC 符合较好 AMSR2/Bootstrap 数据在两个航段的平均偏差都低于 ±5%, 总的均方根误差在 10% 左右, 与 OBS-SIC 符合最好 SSMIS/ASI 数据在第一航段的平均偏差最小, 但其均方根偏差为 15% 左右, 综合看与 OBS-SIC 的符合程度和 AMSR/ASI 相当 SSMIS/Bootstrap 数据在两个航段的平均偏差都是正值, 说明其整体上高估了海冰密集度状况 从不同航段来看,SSMIS/NT 数据均低估了海冰密集度, 量值约 15%~20%, 与 OBS-SIC 符合较差 MASAM 数据在两个航段高估了海冰密集度约 10-20%, 由于雪龙船冰区航

14 行时存在 趋向低密集度 的特性, 因此 MASAM 数据与 OBS-SIC 符合程度比 SSMIS/NT 稍好 OSI-SAF 数据低估了海冰密集度状况, 与 OBS-SIC 的符合程度和 SSMIS/Bootstrap 相当, 平均偏差约为 -5%, 均方根误差约为 12% 综上分析七种 PM-SIC 与 OBS-SIC 的符合程度, 第一航段中 AMSR2/Bootstrap 和 SSMIS/Bootstrap 数据偏差最小, 平均偏差在 ±2% 以内, 均方根偏差约为 12%;SSMIS/NT 数据偏差最大, 平均偏差约为 -15%, 均方根偏差约为 25%; 第二航段中 AMSR2/ASI 和 OSI-SAF 数据偏差最小, 平均偏差约为 ±2%, 均方根偏差约为 10%;SSMIS/NT 和 MASAM 数据偏差最大, 平均偏差约为 ±15%, 均方根偏差约为 21%; 两个航段综合看, AMSR2/Bootstrap 数据偏差最小, 平均偏差约为 1%, 均方根偏差约为 10%, 而 SSMIS/NT 和 MASAM 数据偏差最大, 平均偏差约为 ±15%, 均方根偏差约为 21% (a) 平均偏差 (PM-SIC OBS-SIC) (a) Mean bias (PM-SIC minus OBS-SIC) (b) 均方根偏差 (b) RMSE 图 8 PM-SIC 与 OBS-SIC 在不同航段的分类比较 Fig.8 Bias and RMSE between PM-SIC and OBS-SIC in different routes 按区域分类 图 9a 和 9b 对比了 PM-SIC 在近岸区域 浮冰边缘区域 浮冰内部区域与 OBS-SIC 的符合程度 其中近岸区域是指第一航段中靠近海岸或者穿过海峡时的航段,SSMIS/Bootstrap 数据偏差最小, 平均偏差约为 1%, 均方根偏差约为 15%;MASAM 和 OSI-SAF 数据偏偏差最大, 平均偏差大于 -10%, 均方根偏差大于 20% 浮冰边缘区域是指第二航段中浮冰区外缘线附近的走航观测航段,SSMIS/ASI 数据偏差最小, 平均偏差约为 -2%, 均方根偏差约为 5%;MASAM 数据偏差最大, 平均偏差约为 12%, 均方根偏差约为 28%; 浮冰内部区域是指第二航段中在海冰内部高密季度区域的走航观测航段,AMSR2/ASI 数据偏差最小, 平均偏差约为 1%, 均方根偏差约为 10%;SSMIS/NT 数据偏差最大, 平均偏差约为 -20%, 均方根偏差约为 22%

15 (a) 平均偏差 (PM-SIC OBS-SIC) (b) 均方根偏差 (a) Mean bias (PM-SIC minus OBS-SIC) (b) RMSE 图 9 PM-SIC 与 OBS-SIC 在不同区域的分类比较, 图例见图 8 Fig.9 Bias and RMSE between PM-SIC and OBS-SIC in different regions 按密集度分类 图 10a 和 10b 对比了不同密集度状况下七种 PM-SIC 数据与 OBS-SIC 的符合程度 在低密集度 (OBS-SIC<0.3) 的情况下, SSMIS/ASI 和 SSMIS/Bootstrap 数据偏差最小, 平均偏差约为 - 2%, 均方根偏差约为 10%;MASAM 数据偏差最大, 平均偏差约为 10%, 均方根偏差约为 12% 在中等密集度 (0.3<OBS-SIC<0.6) 的情况下,AMSR2/Bootstrap 和 SSMIS/ASI 数据偏差最小, 平均偏差约为 2%, 均方根偏差约为 12%; 而 MASAM 数据偏差最大, 平均偏差约为 5%, 均方根偏差约为 15% 在高密集度(OBS-SIC>0.6) 的情况下,AMSR2/Bootstrap 数据偏差最小, 平均偏差约为 8%, 均方根偏差约为 12%; 而 SSMIS/NT 数据偏差最大, 平均偏差约为 -22%, 均方根偏差约为 28% (a) 平均偏差 (PM-SIC OBS-SIC) (b) 均方根偏差 (a) Mean bias (PM-SIC minus OBS-SIC) (b) RMSE 图 10 PM-SIC 与 OBS-SIC 在不同密集度的分类比较, 图例见图 8 Fig.10 Bias and RMSE between PM-SIC and OBS-SIC in different SICs.

16 4 讨论与结论 日益减少的北极海冰范围为北极科考和商业航行提供了前所未有的契机, 区别于其他大洋, 北冰洋的海冰是船舶航行的重大安全威胁, 因此获取及时准确的海冰覆盖信息对于航行安全至关重要 目前基于被动微波遥感的卫星海冰密集度资料是极地船舶规划航线和海冰数值模拟预报研究的重要手段, 而受制于现场观测资料的匮乏, 不同卫星和不同传感器反演的 PM-SIC 数据在北极不同区域的准确性和适用性还有待进一步验证 本文利用 五北 期间雪龙船在东北航道往返航行期间的走航观测 OBS-SIC 数据对七种 PM-SIC 数据的准确性进行了初步的对比评估 七种 PM-SIC 数据的分辨率介于 4km 至 25km 之间 对海冰覆盖范围的反演, 分辨率最高的 MASAM 数据表现最好, 成功反演出 2012 年 7 月 25 日在泰梅尔半岛附近的两处小范围浮冰区和 2012 年 9 月 1 日在弗兰格尔岛附近的高密集度浮冰区, 而其他六种 PM-SIC 数据在与 MODIS 图像的比较中结果较差 这和其他六种 PM-SIC 分辨率较低有关, 分辨率较低时, 网格较粗, 同样区域内网格数量少, 因此卫星对该区域的刻画更粗糙, 会丢失某些小范围的海冰信息, 因此在关注近岸或者狭窄水域海冰覆盖范围或面积时, 应优先考虑 MASAM 数据 七种 PM-SIC 数据沿纬度方向的海冰网格点比例基本一致, 但纬向平均的 SIC 数值差异较大, 这说明不同的算法在判断网格内是海水或是海冰时结果相近, 但对于反演海冰网格内海冰所占的比例 ( 密集度 ) 时却差异明显 由于船舶在冰区航行时, 会主动避开高密集度浮冰区而选择低密集度的区域航行, 即存在 趋向低密集度 的特性, 因此基于雪龙船的船基走航观测海冰密集度会略微低估该区域真实的海冰密集度状况 与 OBS-SIC 定量比较的结果表明, 按照航段来分类的话, 第一航段是低纬航线, AMSR2/Bootstrap 和 SSMIS/Bootstrap 数据偏差最小,SSMIS/NT 数据偏差最大 ; 第二航段是高纬航线,AMSR2/ASI 和 OSI-SAF 数据偏差最小,SSMIS/NT 和 MASAM 数据偏差最大 按区域分类评估时, 在近岸区域, SSMIS/Bootstrap 数据偏差最小,MASAM 和 OSI-SAF 数据偏差最大 ; 在浮冰边缘区域,SSMIS/ASI 数据偏差最小,MASAM 数据偏差最大 ; 在浮冰内部区域, AMSR2/ASI 数据偏差最小,SSMIS/NT 数据偏差最大 按密集度来分类评估时, 在低密集度 (OBS- SIC<0.3) 的情况下, SSMIS/ASI 和 SSMIS/Bootstrap 数据偏差最小,MASAM 数据偏差最大 ; 在中等密集度 (0.3<OBS-SIC<0.6) 的情况下,AMSR2/Bootstrap 和 SSMIS/ASI 数据偏差最小, 而 MASAM 数据偏差最大 ; 在高密集度 (OBS-SIC>0.6) 的情况下,AMSR2/Bootstrap 数据偏差最小, 而 SSMIS/NT 数据偏差最大 两个航段综合看,AMSR2/Bootstrap 和 AMSR2/ASI 数据偏差最小, 平均偏差约为 1%, 均方根偏差为 10% 左右, 这说明基于 AMSR2 传感器的两种算法产品的偏差有正有负, 在计算平均偏差时互相抵消 SSMIS/NT 数据的平均偏差约 -15%, 均方根偏差约为 21%, 说明该数据低估了所在位置的 SIC 值 ;MASAM 数据的平均偏差约 15%, 均方根偏差约为 22%, 说明该数据高估了所在位置的 SIC 值 考虑到雪龙船航行时存在 趋向低密集度 的特性, 因此 SSMIS/NT 数据的偏差最大, 严重低估了真实的 SIC 值 2013 年 2 月波弗特海出现 1000km 长海冰裂隙, 研究发现 AMSR2/ ASI 算法比 AMSR2/Bootstrap 算法更精确的识别出该裂隙 (Beitsch 等,2014) 2012 年度在南极罗斯海的雪龙船走航 OBS-SIC 数据曾用来评估 AMSR2/ASI 和 SSMIS/NT 数据在南半球夏季的准确性, 结果也表明 AMSR2/ASI 数据和 OBS-SIC 符合较好,SSMIS/NT 数据的偏差为 20% 左右, 与本文结果相近 ( 赵杰臣等,2014) 这说明无论在南极还是北极, 基于 AMSR2 传感器的较高分辨率的 PM-SIC 数据对海冰密集度大小的反演更准确 七种 PM-SIC 数据对海冰密集度的反演出现较大差异主要是由于传感器 算法和分辨率均不相同, 另外 7 月 -9 月正处在北半球的夏季, 海冰上出现大量融池, 会影响到不同算法对海冰密集

17 度的反演 海冰表面出现融池后, 其反照率 亮温等特征和海水很接近, 不利于区分, 因此易造成对海冰密集度的低估 船基走航海冰密集度观测存在观测主观性 经验性等问题, 因此需要更多航次的走航观测数据来对卫星反演数据进行更细致的评估 在使用 PM-SIC 时, 了解其适用性和准确性可以有效的帮助北极科考和商业航行船舶获取更准确的海冰情况, 找到最佳的航行路线, 提高航行的安全性, 特别是对于抗冰能力很低的商业船只, 这一点尤为重要 志谢感谢中国第五次北极科学考察队走航海冰观测队员辛苦细致的工作以及雪龙船全体 科考队员对海冰观测工作的支持 参考文献 (References) Beitsch A, Kaleschke L and Kern S Investigating High-Resolution AMSR2 Sea Ice Concentrations during the February 2013 Fracture Event in the Beaufort Sea. Remote Sensing, 6(5): [DOI: /rs ] Beitsch A, Kern S and Kaleschke L Comparison of SSM/I and AMSR-E sea ice concentrations with ASPeCt ship observations around Antarctica. IEEE Transactions on Geoscience and Remote Sensing, 53(4): [DOI: /TGRS ] Cavalieri D J and Parkinson C L Arctic sea ice variability and trends, The Cryosphere, 6 (4): [DOI: /tc ] Cavalieri D J, Gloersen P and Campbell W J Determination of sea ice parameters with the Nimbus7 SMMR. Journal of Geophysical Research, 89: [DOI: /JD089iD04p05355] Cavalieri D, Parkinson C, Gloersen P and Zwally H J. 1996, updated yearly. Sea ice concentrations from Nimbus-7 SMMR and DMSP SSM/I-SSMIS passive microwave data. Boulder, Colorado USA: NASA DAAC at the National Snow and Ice Data Center Comiso J C and Parkinson C L Arctic sea ice parameters from AMSR-E using two techniques and comparisons with sea ice from SSM/I. Journal of Geophysical Research, 113, C02S05. [DOI: /2 7JC 4255] Comiso J C, and Steffen K Studies of Antarctic sea ice concentrations from satellite data and their applications. Journal of Geophysical Research, 106(C12), [DOI: /2001JC000823] Comiso J C, Cavalieri D and Parkinson C Passive microwave algorithms for sea ice concentrations: A Comparison of Two Techniques. Remote Sensing of the Environment, 60(3): [DOI: /S (96) ] Comiso J C, Parkinson C L, Gersten R and Stock L Accelerated decline in the Arctic sea ice cover. Geophysical Research Letter, 35(1), L01703 [DOI: /2007GL031972] Comiso J C Characteristics of Winter Sea ice from satellite multispectral microwave observations. Journal of Geophysical Research, 91(C1), [DOI: /JC091iC01p00975] Comiso J. 2000, updated Bootstrap Sea Ice Concentrations from Nimbus-7 SMMR and DMSP SSM/I-SSMIS, Version 2. [Indicate subset used]. Boulder, Colorado USA: NASA DAAC at the National Snow and Ice Data Center Fetterer F, Stewart J S, and Meier W N MASAM2: Daily 4-Km Arctic Sea Ice Concentration, Boulder, Colorado USA: National Snow and Ice Data Center [DOI: Haas C, Pfaffling A, Hendricks S, Rabebstein L, Etienne J L and Rigor I Reduced ice thickness in Arctic Transpolar Drift favors rapid ice retreat. Journal of Geophysical Research, 35(17), L17501 [DOI: /2008GL034457] Kwok R, Cunningham G F, Wensnahan M, Rigor I, Zwally H J and Yi D Thinning and volume loss of the Arctic Ocean sea ice cover: Journal of Geophysical Research, 114(C7), C07005 [DOI: /2009JC005312] Lei R B, Xie H J, Wang J, Lepparanta M, Jonsdottir I and Zhang Z H Changes in sea ice conditions along the Arctic Northeast Passage from 1979 to Cold Regions Science and Technology, 119: [DOI: /j.coldregions ]

18 Markus T and Cavalieri D An enhancement of the NASA team sea ice algorithm. IEEE Transactions on Geoscience and Remote Sensing, 38(3): [DOI: / ] Markus T, Stroeve J C and Miller J Recent changes in Arctic sea ice melt onset, freezeup, and melt season length. Journal of Geophysical Research, 114(C12), C12024 [DOI: /2009JC005436] Nghiem S V, Rigor I G, Perovich D K, Clemente-Colon P, Weatherly J W and Neumann G Rapid reduction of Arctic perennial sea ice. Geophysical Research Letter, 34(19), L19504 [DOI: /2007GL031138] Parkinson C L, and Comiso J C Antarctic sea ice from AMSR-E from two algorithms and comparisons with sea ice from SSM/I. Journal of Geophysical Research, 113, C02S06 [DOI: /2 7JC 4253] Rodrigues J The rapid decline of the sea ice in the Russian Arctic. Cold Regions Science and Technology, 54(2): [DOI: /j.coldregions ] Spreen, G, Kaleschke L, and Heygster G Sea ice remote sensing using AMSR-E 89 GHz channels. Journal of Geophysical Research, 113, C02S03 [DOI: /2005JC003384] Steinar Eastwood Sea Ice Product User s Manual OSI-401-a, OSI-402-a, OSI-403-a, Version EUMETSAT Stroeve J C, Serreze M C, Holland M M, Kay J E, Malanik J and Barrett A P The Arctic s rapidly shrinking sea ice cover: a research synthesis. Climatic Change, 110(3): [DOI: /s ] Svendsen E, Matzler C, Grenfell T C A model for retrieving total sea ice concentration from a spaceborne dual-plarized passive microwave instrument operating near 90 GHz. International Journal of Remote Sensing, 8(10): [DOI: / ] Swift C T, Fedor L S, Ramseier R O An algorithm to measure sea ice concentration with microwave radiometers. Journal of Geophysical Research, 90(C1), [DOI: /JC090iC01p01087] Worby A, Ian A, Vito D Technique for making ship-based observations of Antarctic sea ice thickness and characteristics. Hobart: Australia Antarctic Division Xie H J, Lei R B, Ke C, Wang H, Li Z J and Zhao J Summer sea ice characteristics and morphology in the Pacific Arctic sector as observed during the CHINARE 2010 cruise. The Cryosphere, 7(4): [DOI: /tc ] Ma D Y. The report of 2012 Chinese Arctic Research Expedition Beijing: China Ocean Press ( 马德毅 中国第五次北极科学考察报告. 北京 : 海洋出版社 ) Zhao J C, Zhang L, Tian Z X, Li M, Hui F M, Li C H and Han H W Sea ice distribution in the Ross Sea, Antarctica during the austral summer of 2012, Chinese Journal of Polar Research, 26 (3): ( 赵杰臣, 张林, 田忠翔, 李明, 惠凤鸣, 李春花, 韩红卫 南极罗斯海 2012 年夏季海冰特征分析. 极地研究, 26 (3): ) The Intercomparison and Assessment of Seven Satellite Sea Ice Concentration Datasets in Arctic ZHAO Jiechen 1, 2, ZHOU Xiang 3, SUN Xiaoyu 1, CHENG Jingjing 4, HU Bo 4, LI Chunhua 1 1. Key laboratory of Research on Marine Hazards Forecasting (SOA), National Marine Environmental Forecasting Center, Beijing , China; 2. College of Oceanic and Atmospheric Sciences, Ocean University of China, Qingdao , China; 3. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing , China; 4. National Center of Ocean Standards and Metrology, Tianjin, , China Abstract: Objective: The rapid decrease of Arctic sea ice makes the normalized commercial shipping through Arctic Passages possible. The accurate sea ice concentration (SIC) data is the very important

19 basis for Arctic shippings, but filed sea ice concentration data is hard to acquire. Passive microwave satellite (PM) become a effective tool to obtain large scale sea ice concentration. Unfortunely, no much available filed observation data could be used to evaluate satellite SIC in Arctic. In Antarctic shipbased sea ice concentration observations (OBS-SIC) have ever collected to evalute the passive microwave satellite sea ice concentration (PM-SIC) (Worby et al., 1999). In this paper, seven PM-SIC datasets released by Bremen University, NSIDC and EUMETSAT was intercompared and assessed using the ship-based OBS-SIC during the 5 th CHINARE Arctic Northeast Passage cruise from July to September, Method: Totally 604 pairs OBS-SIC from around 20 days in-ice cruise are used for evaluation here. We picke up another 604 pairs SIC from PM-SIC datasets according to the same latitude and longitude of OBS-SIC. To avoid the bias from the daily changes of sea ice and different spatial resolutions, a method to calculate daily mean PM-SIC and OBS-SIC for comparison is used in this paper, refered to the similar evaluation work in Antarctica (Beitsch et al., 2015). MODIS images are also used to evaluate the distribution of sea ice near the continent, narrow strait and island. Result: Results show that, those seven satellite datasets have the similar pattern of large sea ice distribution, but are quite different near continent, island and strait. MASAM sucessfully detect the small ice floe area near Poluostrov Taymyr on July 25, 2012 and near Ostrov Vrangelya on September 1, 2012, but others fails. Latitude mean comparison show that seven PM-SIC have high similar skills to detect that the grid was totally water or sea ice, but differ largerly about how much percent of sea ice is in the ice grid. Quantitatively evoluation by comparing with OBS-SIC show that AMSR2/ASI, AMSR2/Bootstrap, SSMIS/ASI and SSMIS/Bootstrap perform well, but SSMIS/NT and MASAM perform badly. AMSR2/ASI have the smallest bias of 1% and RMSE of 11%, but SSMIS/NT underestimate the SIC largely with mean bias of -15% and RMSE of 21%. AMSR2/ASI has a higher spatial resolution among the well-performed group, and more important it is updated near real time just one day delay. High resolution and timely updated is the most important factor for operational ice service, which make AMSR2/ASI best choice for real-time shipping-guide. Conclusion: High resolution MASAM (4km) could detect the small sea ice distribution near the continent and narrow strait, so it is best for sea ice area and extent study in the special regions. But near-real-time higher resolution AMSR2/ASI (6.25km) has the smaller bias and RMSE with OBS-SIC, so it is the best datasets for SIC quantity-study and real-time shipping-guide. Key words: Arctic Northeast Passage, Passive Microwave, Sea Ice Concentration, Ship-based Observation, Data Assessment CLC number: P Document code: A Supported by Chinese Polar Environment Comprehensive Investigation and Assessment Program (CHINARE-03-01), National Natural Science Foundation of China (No , ) and Public science and technology research funds projects of ocean (No )